🔹 Единый кодбук в формате гугл-таблички Российского мониторинга экономического положения и здоровья населения НИУ ВШЭ от @tochno_st. Внутри — вопросы и варианты ответов для 5-31 волн обследования. Можно быстро посмотреть, есть ли нужные для вашего исследования данные, и для каких конкретно волн они доступны.

@evidencespace

О СОВПАДЕНИЯХ

Сегодня среди еженедельной понедельничной серии препринтоа NBER был опубликован такой

☝️О красивых совпадениях:

NBER: публикует препринт Клаудии Голдин Why Women Won

Нобелевский комитет: вручает нобелевскую премию по экономике Клаудии Голдин

An R reproducibility toolkit for the practical researcher 🐑

Для практического исследователя важно иметь инструментарий для R-воспроизводимых вычислений. Курс от Elio Campitelli и Paola Corrales, который проводился 9-12 октября 2023 г., нацелен на то, чтобы понять как организовать проект, ускорить совместную работу и максимизировать ее воспроизводимость, используя существующие инструменты экосистемы R, такие как RMarkdown, renv и другие, контроль версий и рабочие среды.

Материалы курса кратко, но довольно содержательно с хорошими иллюстрациями показывают, в частности:

✔️ как создать проект R
✔️ управлять воспроизводимой средой
✔️ публиковать данные
✔️ отслеживать изменения с помощью Git
✔️ создавать и публиковать контейнеры

📙 Напомню про книгу Building reproducible analytical pipelines with R by Bruno Rodrigues и сайт по воспроизводимому анализу данных.

Telling Stories with Data 🔥

▪️ Книга Telling Stories with Data призвана помочь исследователям работать с данными, включая сбор данных (например, с использованием API и частично структурированных данных, таких как JSON и XML), очистку данных, документирование и моделирование на основе воспроизводимых рабочих процессов.

▪️ В книге приводятся примеры на основе социальных, культурных и экономических данных используя разнообразные методы, в частности, разведочный анализ данных, поиск причинно-следственных связей, регрессионный анализ. Книга пошагово подробно показывает все аспекты работы с данными и имеет хорошие отзывы.

Автор - Rohan Alexander создал несколько курсов на основе книги для бакалавриата, магистратуры и профессионального обучения. Книга недавно издана и доступна в печатном виде.

Causal Inference in R 💡

Книга Causal Inference in R (Malcolm Barrett, Lucy D’Agostino McGowan, Travis Gerke) предназначена как для академических исследователей, так и для специалистов по обработке данных и позволит разобраться с причинно-следственным анализом с помощью R.

Авторы ведут свой блог и создали ряд соответствующих библиотек на основе {tidyverse}. Здесь же содержатся материалы практического семинара Causal Inference in R Workshop.

Еще две книги с элементами кода на R, Stata и Python также являются введением в предметную область опираясь на эконометрику:

🔹Causal Inference. The Mixtape by Scott Cunningham
🔹The Effect: An Introduction to Research Design and Causality by Nick Huntington-Klein

Отмечу аналогичные книги написанные на Python 🐍:

🔹Causal Inference for The Brave and True
🔹Causal Inference and Discovery in Python

https://data.rcsi.science/

качайте данные, пока есть возможность 😉

🔹 Новая открытая база данных по смертности на основе административных источников. Данных за 2022/2023 годы там, правда, нет.

«Российская база данных краткосрочных колебаний смертности (РосБКС) Международной лаборатории исследований населения и здоровья НИУ ВШЭ содержит понедельные общие и стандартизованные по возрасту коэффициенты смертности по регионам России и стране в целом за 2000-2021 гг.

Все представленные в РосБКС показатели рассчитаны на основе данных статистики населения, полученных от Федеральной службы государственной статистики. РосБКС ориентирована прежде всего на специалистов, занимающихся профессиональным анализом демографических показателей. Данные представлены в формате *.csv».

@evidencespace

2) Про базу данных о краткосрочных колебаниях смертности в России (data paper). Понедельные данные! https://doi.org/10.3897/popecon.7.e114628

#CausalInference #ML #MachineLearning #методы #МашинноеОбучение

Машинное обучение - это про предсказания и классификацию. Статистический причинно-следственный вывод (causal inference) - про количественную оценку эффекта воздействия одной конкретной переменной (например, насколько снизится - и снизится ли вообще - уровень насильственной преступности в уездном городе Ковылкино N, если алкоголь будут продавать до 21, а не до 22 часов). Казалось бы, что у этих задач и методов общего?

Долгое время они действительно развивались параллельно и почти без пересечений. Однако в какой-то момент выяснилось, что впечатляющие вычислительные инструменты ML очень подходят для таких типичных и важных для causal inference вещей, как моделирование конфаундинга (воздействия третьих переменных), гетерогенности эффекта воздействия (то же самое лекарство от головной боли одному человеку поможет, а другому - нет), а также динамических и сетевых (а если все с крыши пойдут прыгать?) контекстов.

Если вам знакомы такие слова, как мэтчинг, обратное взвешивание по вероятности, инструментальные переменные или разрывный дизайн, хотим обратить ваше внимание на новый обзор в Annual Review of Sociology от Дженни Брэнд, Шиань Джоу и Ю Сиэ (сразу просим прощения за потенциально ошибочную транскрипцию), в котором рассказывается, как во всех этих подходах (и других!) можно использовать методы машинного обучения с пользой для себя и для дела.

А если не знакомы, в статье идеи, лежащие в основании соответствующих дизайнов, объясняются просто и доступно - настолько, что вполне можно давать студентам-неэкономистам в качестве введения в проблематику causal inference.

Brand, J. E., Zhou, X., & Xie, Y. (2023). Recent Developments in Causal Inference and Machine Learning. Annual Review of Sociology, 49. https://doi.org/10.1146/annurev-soc-030420-015345

P.S. В качестве бонуса для тех, кто осилил до конца, - ссылка на лекционные слайды курса Кирилла Борусяка по прикладной эконометрике, прочитанного минувшей осенью в Беркли. Тоже много полезного и интересного.